先看一个决策树的模型
很明显这是一个看工作简历招人的决策树模型
我们可以看出来，它首先是一个树
其次他是一个由多层判断构成的决策树
我们来分析一下这个问题，首先我们假设这是一个前端开发工程师的简历筛选模型
首先，我们假设这是一个后端大佬，自学过前端，而且前端业务能力很强，技能里写了有前端后端的技能，但是就是没有实际的前端开发的工作的经验，自己有一个花里胡哨炫酷的不行的博客。
看这个树就会在专业技能的时候给通过，在有无经验的时候给否，然后就否决掉这个简历了。但是呢，在真实的情况，如果这个人的期望工资，公司要求的硬性学历都在合适的范围内，可能公司会给这个人一个面试的机会。
所以我们就有了第一个问题，这个决策树，是不是要控制一下不能一票否决。
然后再假设这是一个很厉害的搞人工智能的工程师，他的简历来到了这个前端工程师的模型里。
他的技能，有前端，后端，人工智能，爬虫，啥都有就非常的强。然后呢但是他根本就不想做前端工程师，他的求职意向是服装设计。但是这个模型就会往下看看到最后发现非常的合适，就给他发面试邀约了，结果人家就不去了。
这里就是第二个问题，树结构是不是要加一个判断求职意向的特征指标，那这个特征指标放哪呢，放第一，为什么放第一。因为他很重要，这个不合适，就不可能合适。
现在就有两个问题了
是不是会有个多分支的决策树？
决策树的判断顺序到底有多重要？
我们就带着这两个问题往下看
ID3
ID3是什么呢，他是一个利用信息熵原理选择信息增益最大的属性作为分类属性，一次决定决策树的分支，完成决策树的构造
信息熵
诶，是不是看到这个词就蒙了
先说说熵，不就是用来描述一个混沌的程度吗
那信息熵，就是用来度量这个数据如果随机选取对模型不确定性影响的指标。
下面贴一个概念和公式
信息增益
举个实例
假设我们有这么一个员工简历匹配表
先算一下信息熵
再根据经验算一下信息增益
再根据其他算一下对应的信息增益
最后算完，就发现先判断薪资是最合适的
自己的总结
就是这个模型，要拿到这个决策树的模型先做哪个判断，我们用程序的角度说，就是要让他做最少的判断。那么我们首先看最后得出的结果有多少种。比如这个模型，最后的结果就只有通过和不通过两种结果。而根据数据，就知道投简历的人里，大多数都是水平，学历，技能都匹配的，但是就是工资不匹配，所以模型先判断工资和不适合最优。
